BAB IV

HASIL DAN PEMBAHASAN

4.1 Pengumpulan Data

Pengumpulan data merupakan suatu kegiatan yang dilakukan untuk

mendapatkan data-data yang dibutuhkan dalam suatu penelitian. Data ini nantinya

akan menjadi masukan (input) pada tahap pengolahan data. Adapun data-data

yang diperoleh dari penelitian ini adalah data primer, yaitu data yang di dapat

langsung melalui PT. Sri Trang Lingga Indonesia. Berikut data hasil penelitian

yang dilakukan pada PT. Sri Trang Lingga Indonesia yang telah dikumpulkan.

4.1.1 Data Permintaan Produk PT. Sri Trang Lingga Indonesia

Data permintaan porduk karet SIR 20 tahun 2020 yang didapat dari

bagian produksi, adapun data tersebut adalah sebagai berikut :

Tabel 4.1 Data Permintaan Produk SIR 20, Tahun 2020

Demand 2020
No Bulan Demand (Ton)
1 Januarii 4319
2 Februarii 4692
3 Marett 5479
4 Aprill 4963
5 Meii 1959
6 Junii 3272
7 Julii 5854
8 Agustuss 5882
9 Septemberr 5229
10 Oktoberr 3951
11 Novemberr 4813
12 Desemberr 4120
Total Permintaan 54533
Rata-rata Permintaan 4544
Sumber: Dokumentasi Bagian Produksi PT. Sri Trang Lingga Indonesia Tahun 2020

33
 7000 PERMINTAAN

6000

5000

4000

3000

2000

1000 TAHUN

0
1 2 3 4 5 6 7 8 9 10 11 12

SIKLUS RATA-RATA PERMINTAAN

Sumber: Dokumentasi Bagian Produksi PT. Sri Trang Lingga Indonesia Tahun 2020

Gambar 4.1 Plot Permintaan Produk Karet SIR 20, Tahun 2020

4.1.2 Data Produksi SIR 20 PT. Sri Trang Lingga Indonesia

Tabel 4.2 Data Produksi Produk Karet SIR 20, Tahun 2020
Data Produksi
Biaya Produksi Nominal

Bahan baku Rp. 15.000/kg

Biaya tenaga kerja Rp. 18.000/jam/pekerja
Biaya upah lembur Rp. 25.000/jam/pekera
Biaya penyimpanan persediaan (/bulan) Rp. 50.000/bulan
Biaya Stockout Rp. 40.0000/ bulan
Biaya marginal sub kontrak (/Ton) Rp. 50.000
Biaya penambahan tenaga kerja (/Orang) Rp. 600.000
Biaya pengurangan tenaga kerja (/Orang) Rp. 900.000
Ketentuan waktu dan lainnya
Rata-rata produksi 4 menit/ton
Jumlah jam kerja 8 jam
Waktu produktif 7 jam
Kapasitas sub kontrak (Ton/bulan) 1000 ton/bulan
Jumlah tenaga kerja 390 pekerja
Inventoi Awal 0
Sumber: Dokumentasi Bagian Produksi PT. Sri Trang Lingga Indonesia Tahun 2020

34
4.2 Pengolahan Data

Setelah dilakukan pengumpulan data, data yang dianggap atau masih

mentah perlu ditindak lanjuti dan dilakukan pengolahan sehingga menjadi

informasi yang kemudian dapat digunakan menjawab tujuan dari penelitian yang

dilakukan.

4.2.1 Peramalan Permintaan Produk Karet SIR 20 (Crumb Rubber)

Untuk mengetahui ramalan permintaan produk kedepannya, dilakukan

pengolahan data permintaan produk dengan menggunakan metode kuantitatif time

series Forcasting dan metode casual, dengan dukungan aplikasi WinQSB.

Metode Time Series Forcasting menggunakan rumus perhitungan Moving

Average, Weighted Moving Average, Single Exponential Smoothing, dan Linear

Regression With Time. Metode casual menggunakan rumus perhitungan Regresi

Linier. Berikut ini langkah langkah untuk menjalankan aplikasi WinQSB.

1. Buka aplikasi WinQSB, lalu pilih Timer Series Forcasting dan Linier

Regression.

2. Lalu buat spesifikasi peramalan dengan;

Problem Type : Timer Series Forcasting

Problem Title : Demand 2020

Time Unit : Mounth

Number of Time Units (periods) : 12

35
 Sumber: Aplikasi WinQSB

Gambar 4.2 Spesifikasi Peramalan

3. Lalu tekan Ok, kemudian muncul tabel data permintaan. Kemudian isi

tabel tersebut dengan data jumlah permintaan.

Sumber : Aplikasi WinQSB

Gambar 4.3 Tabel Data Permintaan

4. Lalu pilih tools Solve and Analyze, kemudian pilih Perform Forcasting

5. Selanjutnya akan muncul pilihan 12 metode peramalan

36
4.2.1.1 Moving Average (MA)

Berikut ini langkah-langkah perhitungan peramalan untuk satu tahun

kedepannya menggunakan metode Moving Average.

1. Pilih Forcasting Methods : Moving Average (MA)

Method Parameters : Assign Values

Search Criterion : MAD

Number of Periods to Forcast : 12

Number of periods in average : 3

Lalu klik ok.

Sumber : Aplikasi WinQSB

Gambar 4.4 Metode Moving Average

2. Selanjutnya aplikasi akan menampilkan hasil Detail Forcasting Moving

Average, dan Graph.

37
Sumber : Aplikasi WinQSB

Gambar 4.5 Hasil Detail Forcasting Moving Average

Berdasarkan gambar 4.5 Hasil Detail Forcasting Moving Average didapat

nilai MAD = 1267.296, MSE = 2710074, CFE = - 1401, dan MAPE = 36.7384

Sumber : Aplikasi WinQSB

Gambar 4.6 Garph Moving Average

38
 Metode Moving Average menggunakan sejumlah data aktual untuk

membangkitkan nilai peramalan diamasa yang akan datang. Berikut ini

merupakan perhitungan manual Time Series Foecasting menggunkan metode

Moving Average.
𝑀𝐴𝑡 − 𝐴𝑡−𝑁
MAt = MA𝑡−1 +
𝑁

(4319) + (4692) +(5479)

MA = = 4380
3

Karena perhitungan ini menghitung sampai bulan maret, maka hasil

Average pada bulan maret digunakan untuk meramalkan pada bulan april. Setelah

di hitung untuk semua bulan didapat untuk peramalan pada bulan januari 2021

adalah 4294,667.

Tabel 4.3 Peramalan Moving Average

Bulan Permintaan MA 3- Peramalan MA 3- Forecast Error

Aktual Bulanan Bulanan
Januari 4319
Februari 4692
Maret 5479 4830
April 4963 5044,667 4830 133
Mei 1959 4133,667 5044,667 -3085,667
Juni 3272 3398 4133,667 -861,6665
Juli 5854 3695 3398 2456
Agustus 5882 5002,667 3695 2187
September 5 229 5655 5002,667 226,3335
Oktober 3951 5020,667 5655 -1704
November 4813 4664,333 5020,667 -207,6665
Desember 4120 4294,667 4664,333 -544,3335
Januari 2021 4294,667

∑(𝐴𝑏𝑠𝑢𝑙𝑜𝑡 𝑑𝑎𝑟𝑖 𝑓𝑜𝑟𝑐𝑎𝑠𝑡 𝑒𝑟𝑜𝑟𝑠)

MAD =
𝑛

(133)+(3085,667) +(861,6665) +(2456)+(2187)+(226,3335) +(1704) +(207,6665) +(544,3335)

= 9

= 1267,296

39
4.2.1.2 Weghted Moving Average (WMA)

Berikut ini langkah-langkah perhitungan peramalan untuk satu tahun

kedepannya menggunakan metode Moving Average.

1. Pilih Forcasting Methods : Weighthed Moving Average (WMA)

Method Parameters : Assign Values

Search Criterion : MAD

Number of Periods to Forcast : 12

Number of periods in average : 3

Enter Moving Average Wieghts

Number (Early First) : Weight (0.25, 0.25, 0.5)

Lalu klik ok.

Sumber: Aplikasi WinQSB

Gambar 4.7 Metode Weighted Moving Average

2. Selanjutnya aplikasi akan menampilkan hasil Detail Forcasting Weighted

Moving Average, dan Graph.

40
Sumber: Aplikasi WinQSB

Gambar 4.8 Hasil Detail Forcasting Weighted Moving Average

Berdasarkan gambar 4.8 Hasil Detail Forcasting Weighted Moving

Average didapat nilai MAD = 1088.056, MSE = 2365843, CFE = - 1390.5, dan

MAPE = 32.57646.

Sumber: Aplikasi WinQSB

Gambar 4.9 Graph Weighted Moving Average

41
 Weihgted Moving Average merupakan metode peramalan dengan

memberikan pembobotan lebih berat kepada data yang terbaru, dan mengurangi

pembobotan pada data yang lampau. Berikut ini merupakan perhitungan manual

Time Series Foecasting menggunkan metode Weihgted Moving Average.

∑𝑊𝑡 𝑥 𝐴𝑡
WMA =
∑(𝑃𝑒𝑚𝑏𝑜𝑏𝑜𝑡)

(4319 𝑥 0,25)+ (4692 𝑥 0,25)+ (5479 𝑥 0,5)

WMA = = 4992,25
1

Karena perhitungan ini menghitung sampai bulan maret, maka hasil

Average bulan maret digunakan untuk meramalkan pada bulan april. Setelah

semua bulan dihitung average nya maka didapat untuk peramalan pada bulan

januari 2021 adalah 4294,667.

Tabel 4.4 Peramalan WMA 3-bulanan

Permintaan WMA 3-Bulanan Peramalan WMA Forcast
Bulan
Aktual (0,25/0,25/0,5) 3-bulanan Error
Januari 4319
Februari 4692
Maret 5479 4992,25
April 4963 5024,25 4992,25 -29,25
Mei 1959 3590 5024,25 -3065,25
Juni 3272 3366,5 3590 -318
Juli 5854 4234,75 3366,5 2487,5
Agustus 5882 5222,5 4234,75 1647,25
September 5229 5548,5 5222,5 6,5
Oktober 3951 4753,25 5548,5 -1597,5
November 4813 4701,5 4753,25 59,75
Desember 4120 4251 4701,5 -581,5
Januari 2021 4251

∑(𝐴𝑏𝑠𝑢𝑙𝑜𝑡 𝑑𝑎𝑟𝑖 𝑓𝑜𝑟𝑐𝑎𝑠𝑡 𝑒𝑟𝑜𝑟𝑠)

MAD =
𝑛
(29,25)+(3065,25) +(318)+(2487,5)+(1647,25)+(6,5)+(1597,5)+(59,75) +(581,5)
= 9

= 1088,056

42
4.2.1.3 Single Exponential Smoothing (SES)

Berikut ini langkah-langkah perhitungan peramalan untuk satu tahun

kedepannya menggunakan metode Moving Average.

1. Pilih Forcasting Methods : Single Exponential Smoothing (SES)

Method Parameters : Assign Values

Search Criterion : MAD

Number of Periods to Forcast : 12

Smoothing Constant Alpha : 0,2

Lalu klik ok.

Sumber: Aplikasi WinQSB

Gambar 4.10 Metode Single Exponential Smoothing (SES)

2. Selanjutnya aplikasi akan menampilkan hasil Detail Forcasting Single

Exponential Smoothing, dan Graph.

43
Sumber: Aplikasi WinQSB

Gambar 4.11 Hasil Detail Forcasting Single Exponential Smoothing (SES)

Berdasarkan gambar 4.11 Hasil Detail Forcasting Single Exponential

Smoothing (SES), didapat nilai MAD = 996.0789, MSE = 1533001, CFE =

1104.187, dan MAPE = 27.95619

Sumber: Aplikasi WinQSB

Gambar 4.12 Graph Single Exponential Smoothing

44
 Metode Single Exponential Smoothing tepat digunakan untuk data yang

tidak mengandung tren ekstrim dan biasanya untuk peramalan satu periode

kedepan. Berikut ini merupakan perhitungan manual Time Series Foecasting

menggunkan metode Single Exponential Smoothing.

Ft = αAt + (1 - α)F𝑡−1

Keterangan :

Ft = Forcasring

At = Data Aktual

F𝑡−1 = Forcasting Sebelumnya

α = 0,2

Ft = (0,2 x 4319) + ((1 – 0,2) 4319) = 4319

Hasil perhitungan Ft digunakan untuk meramalkan periode berikutnya dan

didapat Ft bulan januari adalah 4319, Jadi untuk peramalan pada bulan februari

adalah 4319. Setelah dihitung hasil Ft keseluruhan maka didapat hasil peramalan

pada bulan januari 2021 adalah 4539,838.

Tabel 4.5 Peramalan Metode Single Exponential Smoothing

Permintaan SES Peramalan Forcast
Bulan
Aktual F(t) Metode SES Error
Januari 4319 4319
Februari 4692 4393,6 4319 373
Maret 5479 4610,68 4393,6 1085,4
April 4963 4681,144 4610,68 352,3198
Mei 1959 4136,715 4681,144 -2722,144
Juni 3272 3963,772 4136,715 -864,7153
Juli 5854 4341,818 3963,772 1890,228
Agustus 5882 4649,854 4341,818 1540,182
September 5229 4765,683 4649,854 579,1455
Oktober 3951 4602,747 4765,683 -814,6836
November 4813 4644,797 4602,747 210,2529
Desember 4120 4539,838 4644,797 -524,7979
Januari 2021 4539,838

45
 ∑(𝐴𝑏𝑠𝑢𝑙𝑜𝑡 𝑑𝑎𝑟𝑖 𝑓𝑜𝑟𝑐𝑎𝑠𝑡 𝑒𝑟𝑜𝑟𝑠)
MAD =
𝑛

(373)+(1085,4)+(352,3198) +(2722,144)+(864,7153) +(1890,228) +⋯(524,7979

= 11

= 996,0789

4.2.1.4 Linear Regression (LR)

Berikut ini langkah-langkah perhitungan peramalan untuk satu tahun

kedepannya menggunakan metode Linear Regression.

1. Pilih Forcasting Methods : Linear Regression (LR)

Method Parameters : Assign Values

Search Criterion : MAD

Number of Periods to Forcast : 12

Lalu klik ok.

Sumber: Aplikasi WinQSB

Gambar 4.13 Metode Linear Regression (LR)

2. Selanjutnya aplikasi akan menampilkan hasil Detail Forcasting Metode

Linear Regression (LR), dan Graph.

46
Sumber: Aplikasi WinQSB

Gambar 4.14 Hasil Detail Forcasting Linear Regression

Berdasarkan gambar 4.14 Hasil Detail Forcasting Linear Regression

didapat nilai MAD = 835.5767, MSE = 1164624, CFE = 1.953125E-03, dan

MAPE = 24.52808.

Sumber: WinQSB

Gambar 4.15 Graph Linear Regression

47
 Menurut Harding (1974) Model analisis Regresi Linier menggunakan dua

variabel yang digunakan, variabel x dan variabel y, diasumsikan memiliki kaitan

satu sama lain dan bersifat linier. Rumus perhitungannya yaitu sebagai berikut.

Tabel 4.6 Perhitungan Regresi Linier

Periode
Bulan (X) Permintaan ( Y ) X2 X.Y
1 1 4319 1 4319
2 2 4692 4 9384
3 3 5479 9 16437
4 4 4963 16 19852
5 5 1959 25 9795
6 6 3272 36 19632
7 7 5854 49 40978
8 8 5882 64 47056
9 9 5229 81 47061
10 10 3951 100 39510
11 11 4813 121 52943
12 12 4120 144 49440
∑ Xi = 78 Yi = 54533 2
X = 650 Xi.Yi = 356407

𝑛.∑𝑋𝑖𝑌𝑖− ∑𝑋𝑖.∑𝑌𝑖
b =
𝑛.∑𝑋𝑖 2 − (∑𝑋𝑖)2

∑𝑌𝑖−𝑏∑𝑋𝑖
a =
𝑛

𝑦̅ = a + bX

Dimana:

𝑦̅ = Variabel reponse

X = Variabel faktor penyebab

a = Konstanta

b = Koefisien regresi

n = Jumlah

48
 (12)(356407) − (78)(54533)
b = = 13,584
(12)(650)− (78)2

(54533)− (13,584)(78)
a = = 4456,121
(12)

𝑦̅ = 4456,121 + 13,584(13)

= 4632,712

Dari perhitungan menggunakan Regresi Linier diatas diperoleh hasil untuk

peramalan bulan ke 13 atau pada bulan Januari 2021 adalah 4632,712. Berikut ini

merupakan hasil seluruh peramalan tiap bulan pada tahun 2021.

Tabel 4.7 Hasil Peramalan Linear Regression

Bulan Permintaan Peramalan (LR) Forecast Error
13 4319 4632,712 -150,7046
14 4692 4646 208,7114
15 5479 4660 982,1274
16 4963 4673,464 452,5435
17 1959 4687,048 -2565,041
18 3272 4700,632 -1265,625
19 5854 4714,216 1302,792
20 5882 4727,800 1317,208
21 5229 4741,383 650,6235
22 3951 4754,967 -640,9604
23 4813 4768,551 207,4556
24 4120 4782,135 -499,1284

∑(𝐴𝑏𝑠𝑢𝑙𝑜𝑡 𝑑𝑎𝑟𝑖 𝑓𝑜𝑟𝑐𝑎𝑠𝑡 𝑒𝑟𝑜𝑟𝑠)

MAD =
𝑛

(150,7046)+(208,7114)+(982,1274) +(452,5435) +(2565,041)+ … (499,1284)

= 12

= 853,5767

49
4.2.1.5 Rekapitulasi Hasil Perhitungan MAD

Untuk memilih hasil peramalan yang akan digunakan untuk meramalkan

suatu permintaan, maka dipilih hasil peramalan yang mempunyai MAD terkecil.

Berikut ini merupakan rekapitulasi hasil perhitungan MAD.

Tabel 4.8 Hasil Peramalan MAD

No. Metode Peramalan MAD
1 Moving Average (MA) 1267,296
2 Weighted Moving Average (WMA) 1088,056
3 Single Exponential Smoothing (SES) 996,0789
4 Linear Regression With Time (LR) 853,5767

Sumber: Perhitungan MAD dan WinQSB

Berdasarkan dari perhitungan MAD pada setiap metode peramalan dari

perhitungan yang telah dilakukan diperoleh MAD terkecil yaitu pada metode

Linear Regression With Time (LR) dengan nilai 853,5767. Berikut ini adalah hasil

peramalan berdasarkan MAD terkecil metode Linear Regression With Time (LR).

Tabel 4.9 Hasil Peramalan Metode LR

Bulan Peramalan (LR)
13 4632,712
14 4646
15 4660
16 4673,464
17 4687,048
18 4700,632
19 4714,216
20 4727,800
21 4741,383
22 4754,967
23 4768,551
24 4782,135
Sumber: Aplikasi WinQSB

50
 Perbandingan peramalan
dengan permintaan
7000
6000
5000
4000
3000
2000
1000
0
1 2 3 4 5 6 7 8 9 10 11 12

Peramalan Permintaan

Sumber: Data Hasil Permintaan dan Peramalan

Gambar 4.16 Grafik Hasil Peramalan dan Permintaan

Berdasarkan grafik hasil peramalan diatas didapatkan bahwa terdapat hasil

peramalan yang kurang terhadap permintaan yaitu pada bulan februari, maret,

april, juli, agustus, dan september. Agar peramalan lebih akurat dilakukan

verifikasi peramalan menggunkan peta Moving Range.

4.2.2 Verifikasi Menggunakan Peta Moving Range

Moving Range dirancang untuk membandingkan nilai permintaan aktual

dengan nilai peramalan. Data permintaan aktual dibandingkan dengan nilai

peramalan pada periode yang sama. Peta tersebut dikembangkan ke periode yang

akan datang hingga dapat dibandingkan data peramalan dengan permintaan aktual.

Peta Moving Range digunakan untuk pengujian kestabilan sistem sebab-akibat

yang mempengaruhi permintaan.

51
 Tabel 4.10 Data Peramalan Metode Linear Regression
Bulan Actual Forecasting F. Error |ei-ei¹|
1 4319 4632,712 -150,7046 -
2 4692 4646 208,7114 359,416
3 5479 4660 982,1274 773,416
4 4963 4673,464 452,5435 529,5839
5 1959 4687,048 -2565,041 3017,5845
6 3272 4700,632 -1265,625 1299,416
7 5854 4714,216 1302,792 2568,417
8 5882 4727,800 1317,208 14,416
9 5229 4741,383 650,6235 666,5845
10 3951 4754,967 -640,9604 1291,5839
11 4813 4768,551 207,4556 848,416
12 4120 4782,135 -499,1284 706,584
∑ 12075,418
Sumber : Aplikasi WinQSB

1. MR = ∑ |ei-ei¹|

MR = (359,416) + (773,416) + (529,5839) ….+ (706,584)

= 12075,418 ≈ 12075

2. Verifikasi Error

Diketahui :

t = 12

̅̅̅̅̅ = 12075
∑ 𝑀𝑅

Rumus :

∑ ̅̅̅̅̅
𝑀𝑅
̅̅̅̅̅
𝑀𝑅 =
𝑡−1

UCL = 2,66 x ̅̅̅̅̅

𝑀𝑅

LCL = -2,66 x ̅̅̅̅̅

𝑀𝑅

2
A = ± 3 ( 2,66 x ̅̅̅̅̅
𝑀𝑅 )

1
B ̅̅̅̅̅ )
= ± 3 ( 2,66 x 𝑀𝑅

52
 Penyelesaian :

12075
̅̅̅̅̅
𝑀𝑅 = = 1097,72 ≈ 1098
12−1

UCL = 2,66 x 1098 = 2920,68

LCL = -2,66 x 1098 = - 2920,68

2
A = ± 3 ( 2,66 x 1098 ) =1947,12

1
B = ± 3 ( 2,66 x 1098 ) = 973,56

Grafik Hasil Verifikasi Error :

4000

3000

2000

1000 LCL
Mean MR
0
1 2 3 4 5 6 7 8 9 10 11 12 MR
-1000 UCL

-2000

-3000

-4000

Sumber: Hasil Perhitungan Verifikasi

Gambar 4.17 Grafik Verifikasi Error

Berdasarkan hasil verifikasi error diatas, didapatkan bahwa nilai MR

berada didalam batas control, dikarenakan nilai MR berada dalam batas UCL dan

LCL. Jika semua titik berada di dalam batas kendali, diasumsikan bahwa

peramalan permintaan yang dihasilkan telah cukup baik (Gaspersz, 1998).

53
4.2.3 Agregat Planning

Perencanaan Agregat atau dalam bahasa Inggris disebut dengan Aggregate

Planning adalah suatu proses perencanaan kuantitas dan pengaturan waktu Output

(keluaran) untuk jangka waktu menengah yaitu sekitar 3 bulan hingga 1 tahun.

Perencanaan Agregat ini memberikan gambaran kepada manajemen mengenai

kebutuhan terhadap variabel-variabel produksi seperti persediaan material, tenaga

kerja dan sumber daya lainnya sehingga biaya operasional dapat dikendalikan

seminimal mungkin.

1. Hasil Peramalan Produk Karet SIR 20 Tahun 2021

Berikut ini merupakan tabel hasil peramalan produk karet SIR 20 tahun

2021 yang telah dilakukan sebelumnya.

Tabel 4.11 Hasil Peramalan Produk SIR 20 Tahun 2021

Hasil Peramalan Jumlah hari kerja
Bulan (Ton) (Hari)
Januari 4633 25
Februari 4646 25
Maret 4660 26
April 4673 25
Mei 4687 23
Juni 4701 25
Juli 4714 26
Agustus 4728 24
September 4741 26
Oktober 4755 26
November 4769 25
Desember 4782 26
Sumber: Hasil Peramalan dan Bagian Produksi

2. Data Unit Produksi

Berikut ini adalah proses produksi karet SIR 20 di PT. Sri Trang Lingga

Indonesia, yang didapatkan dari bagian produksi.

54
 1. Proses awal produksi SIR 20 adalah dari gudang bahan baku karet

alam, dilakukan pengolahan dan di jadikan lembaran karet

menggunakan mesin wetline yang berjumlah 3 unit.

2. Kemudian lembaran karet di hancurkan menjadi bentuk granule atau

serbuk karet menggunakan dryline yang berjumlah 1 unit.

3. Selanjutnya granule di masak sehingga menghasilkan produk jadi,

dengan menggunakan mesin dryer yang berjumlah 3 unit.

4. Setalah granule sudah selesai dimasak dan menjadi produk jadi,

granule kemudian di uji di laboratorium menggunakan mesin labmil

yang berjumlah 3 unit.

3. Data pekerja dan data produksi SIR 2020 tahun 2020

Tabel 4.12 Data Produksi Produk Karet SIR 20, Tahun 2020
Data Produksi
Biaya Produksi Nominal

Bahan baku Rp. 15.000/kg

Biaya tenaga kerja Rp. 18.000/jam/pekerja
Biaya upah lembur Rp. 25.000/jam/pekera
Biaya penyimpanan persediaan (/bulan) Rp. 50.000/bulan
Biaya Stockout Rp. 40.0000/ bulan
Biaya marginal sub kontrak (/Ton) Rp. 50.000
Biaya penambahan tenaga kerja (/Orang) Rp. 600.000
Biaya pengurangan tenaga kerja (/Orang) Rp. 900.000
Ketentuan waktu dan lainnya
Rata-rata produksi 4 menit/ton
Jumlah jam kerja 8 jam
Waktu produktif 7 jam
Kapasitas sub kontrak (Ton/bulan) 1000 ton/bulan
Jumlah tenaga kerja 390 pekerja
Inventoi Awal 0
Sumber: Dokumentasi Bagian Produksi PT. Sri Trang Lingga Indonesia Tahun 2020

55
 Setelah semua data terkumpul, kemudian dilakukan proses agregat planning

dengan 4 metode yaitu chase strategy, level strategy, mixed strategy (workforce

level-overtime strategy), dan variasi tingkat sub kontrak.

4.2.3.1 Chase Stategy (CS)

Agregat planning dengan chase strategy merupakan perencanaan agregat

yang mencoba untuk mencapai tingkat keluaran dari setiap periode yang memenuhi

peramalan permintaan pada periode tersebut dengan menggunakan regular time dan

overtime. Agregat planning dengan menggunakan metode chase strategy dilakukan

dengan langkah sebagai berikut:

1. Menentukan kebutuhan produksi awal

a. Jumlah jam kerja per bulan pada bulan januari

Waktu produktif x jumlah hari kerja x jumlah tenaga kerja

= 7 jam x 25 hari x 190 pekerja

= 33250 jam/bulan

b. Jumlah produk SIR 20 yang di produksi pada bulan januari

jumlah jam kerja per bulan

Rata − rata produksi

33250
= = 8313 ton/bulan
4 menit

c. Jumlah biaya tenaga kerja per pekerja pada bulan januari

Jumlah hari kerja x jumlah jam kerja x biaya tenaga kerja

= 25 hari x 8 jam x 18.000

= 3.600.000

56
 Tabel 4.13 Perhitungan Produksi SIR 20 Tahun 2021
Jumlah Hari Jumlah Jam Jumlah Biaya tenaga
Bulan Kerja Kerja/bulan Produksi/bulan Kerja/bulan
Januari 25 33250 8313 3.600.000
Februari 25 33250 8313 3.600.000
maret 26 34580 8645 3.744.000
April 25 33250 8313 3.600.000
Mei 23 30590 7648 3.312.000
Juni 25 33250 8313 3.600.000
Juli 26 34580 8645 3.744.000
Agustus 24 31290 7980 3.456.000
September 26 34580 8645 3.744.000
Oktober 26 34580 8645 3.744.000
November 25 33250 8313 3.600.000
Desember 26 34580 8645 3.744.000
Sumber: Perhitungan Microsoft Excell

Dari perhitungan diatas dapat disimpulkan bahwa:

Target produksi januari = 8313 ton/januari : 25 hari = 332,5 ton/hari

= 332,5 ton/hari : 7 jam kerja produktif/hari

= 47,5 ton/7 jam/190 pekerja

= 47,5 ton/jam/190 pekerja : 4 menit = 12 ton/4 menit/190 pekerja

2. Menentukan Kebutuhan Pekerja

a. Menghitung Jumlah Produksi

Dikarenakan PT. Sri Trang Lingga Indonesia tidak mempunyai

inventori awal jadi untuk jumlah produksi sama dengan permintaan.

b. Menghitung jumlah pekerja yang dibutuhkan

jumlah produksi x Rata rata produksi

jumlah hari kerja x jam kerja produktif

4633 x 4 menit
= = 106 pekerja
25 x 7 jam

57
 Perusahaan memiliki 190 pekerja, namun untuk produksi bulan

januari, perusahaan membutuhkan 106 orang pekerja, sehingga harus

di lakukan pengurangan tenaga kerja yaitu sebanyak 84 orang.

Tabel 4.14 Perhitungan Kebutuhan Pekerja

Jumlah Kebutuhan Pengurangan Penambahan
Bulan Permintaan Produksi Tenaga Kerja Tenaga Kerja Tenaga Kerja
Januari 4633 4633 106 84 0
Februari 4646 4646 106 84 0
maret 4660 4660 102 88 0
April 4673 4673 107 83 0
Mei 4687 4687 116 74 0
Juni 4701 4701 107 83 0
Juli 4714 4714 104 86 0
Agustus 4728 4728 113 77 0
September 4741 4741 104 86 0
Oktober 4755 4755 105 85 0
November 4769 4769 109 81 0
Desember 4782 4782 105 85 0
Sumber: Perhitungan Microsoft Excell

3. Perhitungan Total Biaya

a. Menghitung total Biaya bahan baku yang tergantung permintaan

= Permintaan x biaya bahan baku

= 4633 x 15000 = 69.495.000

b. Menghitung biaya pekerja tergantung kebutuhan

= kebutuhan tenaga kerja x biaya tenaga kerja

= 106 x 3.600.000 = 381.600.000

58
 c. Menghitung biaya pengurangan dan penambahan tenaga kerja

Karena dalam perhitungan ini tidak ada penambahan tenaga kerja jadi

hanya menghitung pengurangan tenaga kerja.

= Tenaga kerja yang di kurangi x biaya pengurangan tenaga kerja

= 84 x 900.000 = 75.600.000

Tabel 4.15 Perhitungan Biaya Produksi SIR 20 Tahun 2021 Chase Strategy
Biaya Biaya Tenaga Biaya Biaya
Bulan Bahan Baku Kerja Pengurangan Penambahan
Tenaga Kerja Tenaga Kerja
Januari 69.495.000 381.600.000 75.600.000 0
Februari 69.690.000 381.600.000 75.600.000 0
Maret 69.900.000 381.888.000 79.200.000 0
April 70.095.000 385.200.000 74.700.000 0
Mei 70.305.000 384.192.000 66.600.000 0
Juni 70.515.000 385.200.000 74.700.000 0
Juli 70.710.000 389.376.000 77.400.000 0
Agustus 70.920.000 390.528.000 69.300.000 0
September 71.115.000 389.376.000 77.400.000 0
Oktober 71.325.000 393.120.000 76.500.000 0
November 71.535.000 392.400.000 72.900.000 0
Desember 71.730.000 393.120.000 76.500.000 0
Total 847.335.000 4.647.600.000 896.400.000 0
Sumber: Perhitungan Miscrosoft Excell

Berdasarkan perhitungan diatas dengan menggunakan chase strategy,

biaya bahan baku adalah sebesar Rp. 847.335.000, biaya tenaga kerja Rp.

4.647.600.000, dan biaya pengurangan tenaga kerja Rp. 896.400.000. Jadi total

biaya produksi menggunakan chase strategy adalah sebesar Rp. 5.544.000.000.

59
4.2.3.2 Level Strategy (LS)

Level Strategy adalah strategi yang ditempuh dengan cara menjaga tingkat

output, produksi, dan tenaga kerja yang konstan. Ciri-ciri strategi ini adalah

mempertahankan tingkat produksi dan memfluktuasikan tingkat persediaan.

Agregat planning dengan menggunakan metode chase strategy dilakukan dengan

langkah sebagai berikut:

1. Menentukan kebutuhan produksi awal

a. Jumlah jam kerja per bulan pada bulan januari

Waktu produktif x jumlah hari kerja x jumlah tenaga kerja

= 7 jam x 25 hari x 190 pekerja

= 33250 jam/bulan

b. Jumlah produk SIR 20 yang di produksi pada bulan januari

jumlah jam kerja per bulan

Rata − rata produksi

33250
= = 8313 ton/bulan
4 menit

c. Jumlah biaya tenaga kerja per pekerja pada bulan januari

Jumlah hari kerja x jumlah jam kerja x biaya tenaga kerja

= 25 hari x 8 jam x 18.000

= 3.600.000

60
 Tabel 4.16 Perhitungan Produksi SIR 20 Tahun 2021 (LS)
Jumlah Hari Jumlah Jam Jumlah Biaya tenaga
Bulan Kerja Kerja/bulan Produksi/bulan Kerja/bulan
Januari 25 33250 8313 3.600.000
Februari 25 33250 8313 3.600.000
Maret 26 34580 8645 3.744.000
April 25 33250 8313 3.600.000
Mei 23 30590 7648 3.312.000
Juni 25 33250 8313 3.600.000
Juli 26 34580 8645 3.744.000
Agustus 24 31290 7980 3.456.000
September 26 34580 8645 3.744.000
Oktober 26 34580 8645 3.744.000
November 25 33250 8313 3.600.000
Desember 26 34580 8645 3.744.000
Sumber: Perhitungan Microsoft Excell

Dari perhitungan diatas dapat disimpulkan bahwa:

Target produksi januari = 8313 ton/januari : 25 hari = 332,5 ton/hari

= 332,5 ton/hari : 7 jam kerja produktif/hari

= 47,5 ton/7 jam/190 pekerja

= 47,5 ton/jam/190 pekerja : 4 menit = 12 ton/4 menit/190 pekerja

2. Menentukan Kebutuhan Produksi

a. Menghitung Net Req, yaitu dengan cara mengurangkan jumlah

permintaan dikurang dengan inventori awal. Karena PT. Sri Trang

Lingga Indonesia tidak memiliki inventori awal maka net req nya

adalah tetap sesuai dengan permintaan. Karena metode yang

digunakan adalah level strategy, maka jumlah tenaga kerja bersifat

61
 tetap yaitu sebanyak 190 orang, shingga jumlah produksinya adalah

sebagai berikut.

jumlah jam kerja per bulan 33250

== = 8313 ton/bulan januari
Rata−rata produksi 4 menit

b. Menghitung inventori akhir dengan cara sebagai berikut.

= jumlah produksi – Net req

= 8313 – 4633 = 3680 ton/ bulan januari

Tabel 4.17 Perhitungan Produksi SIR 20 Tahun 2021 (LS)

Bulan Permintaan Net req Jumlah Jumlah Inventori Shortage

Tenaga Kerja Produksi Akhir
Januari 4633 4633 190 8313 3680 -3680
Februari 4646 4646 190 8313 3667 -3667
Maret 4660 4660 190 8645 3985 -3985
April 4673 4673 190 8313 3640 -3640
Mei 4687 4687 190 7648 2961 -2961
Juni 4701 4701 190 8313 3612 -3612
Juli 4714 4714 190 8645 3931 -3931
Agustus 4728 4728 190 7980 3252 -3252
September 4741 4741 190 8645 3904 -3904
Oktober 4755 4755 190 8645 3890 -3890
November 4769 4769 190 8313 3544 -3544
Desember 4782 4782 190 8645 3863 -3863
Sumber: Perhitungan Microsoft Excell

3. Perhitungan Total Biaya

a. Menghitung total Biaya bahan baku yang tergantung jumlah Produksi

= Jumlah Produksi x Biaya bahan baku

= 8313 x 15.000 = 124.695.000

b. Menghitung total biaya tenaga kerja tetap

= Biaya tenaga kerja x jumlah tenaga kerja

= 3600000 x 190 = 684.000.000

62
 c. Menghitung total biaya penyimpanan persediaan

= Inventori Akhir x biaya penyimpanan persediaan

= 3680 x 50.000 = 184.000.000

Tabel 4.18 Perhitungan Biaya Produksi SIR 20 Tahun 2021 (LS)

Bulan Biaya Bahan Tiaya Tenaga Biaya Biaya

Baku Kerja Penyimpanan Stockout
Januari 124.695.000 684.000.000 184.000.000 0
Februari 124.695.000 684.000.000 183.350.000 0
Maret 129.675.000 711.360.000 199.250.000 0
April 124.695.000 684.000.000 182.000.000 0
Mei 114.720.000 629.280.000 148.050.000 0
Juni 124.695.000 684.000.000 180.600.000 0
Juli 129.675.000 711.360.000 196.550.000 0
Agustus 119.700.000 656.640.000 162.600.000 0
September 129.675.000 711.360.000 195.200.000 0
Oktober 129.675.000 711.360.000 194.500.000 0
November 124.695.000 684.000.000 177.200.000 0
Desember 129.675.000 711.360.000 193.150.000 0
Total 1506270000 8.262.720.000 2.196.450.000 0
Sumber: Perhitungan Microsoft Excell

Berdasarkan perhitungan diatas dengan menggunakan level strategy, biaya

bahan baku adalah sebesar Rp. 1.506.270.000, biaya tenaga kerja Rp.

8.262.720.000, dan biaya penyimpanan persediaan Rp. 2.196.450.000. Jadi total

biaya produksi menggunakan chase strategy adalah sebesar Rp. 11.965.440.000.

4.2.3.2 Mixed Strategy (MS)

63